An energy-based model empowers ultra-large virtual screening against 100-billion-scale chemical libraries
O artigo apresenta o DrugJEPA, um modelo baseado em energia que permite a triagem virtual ultrarrápida e de baixo custo de bibliotecas químicas de escala de 100 bilhões com precisão de estado da arte, identificando com sucesso hits nanomolares potentes através de diversos alvos proteicos em validação de laboratório úmido.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
A busca por novos medicamentos muitas vezes começa com uma agulha em um palheiro, mas, neste caso, o palheiro contém quase cem bilhões de estruturas químicas diferentes. Durante décadas, os cientistas confiaram em duas formas principais para encontrar a agulha certa: testar fisicamente milhões de compostos em um laboratório ou usar computadores para simular como eles poderiam se encaixar em um alvo biológico. O teste físico é lento e caro, enquanto as simulações computacionais tradicionais, embora mais rápidas, ainda são lentas demais para lidar com bibliotecas de um tamanho tão imenso. O desafio era encontrar um método que fosse rápido o suficiente para escanear cem bilhões de moléculas e preciso o suficiente para identificar as poucas que realmente funcionam, sem exigir um supercomputador do tamanho de uma cidade.
Uma equipe de pesquisadores da Universidade de Sichuan desenvolveu uma nova abordagem que preenche essa lacuna. Eles criaram um modelo computacional sofisticado chamado DrugJEPA, que atua como um motor de intuição altamente treinado para a descoberta de fármacos. Em vez de tentar simular cada movimento atômico individual, o que leva muito tempo, o modelo aprende a reconhecer a "forma" de uma boa combinação ao estudar milhões de exemplos de como proteínas e moléculas interagem. Ele utiliza uma técnica que permite prever a relação entre o bolso de ligação de uma proteína e uma molécula de fármaco, filtrando efetivamente os bilhões de candidatos inúteis em questão de horas. Quando testado contra três tipos muito diferentes de alvos biológicos, o sistema não apenas encontrou acertos; ele encontrou acertos potentes, incluindo alguns que funcionam em concentrações incrivelmente baixas.
O cerne desta conquista reside na forma como os pesquisadores construíram sua biblioteca e seu modelo. Eles começaram reunindo uma coleção massiva de potenciais candidatos a fármacos a partir de bancos de dados existentes, convertendo-os em formas tridimensionais e armazenando-os em um sistema que nomearam ZEUS-3D. Esta biblioteca contém aproximadamente noventa e seis bilhões de moléculas únicas, com centenas de bilhões de variações 3D diferentes para considerar como elas podem girar e se contorcer em uma solução. Para pesquisar este oceano de dados, eles precisavam de uma ferramenta que pudesse se mover com velocidade relâmpago. Eles construíram o DrugJEPA, uma rede neural que aprende a comprimir a informação complexa de uma proteína e uma molécula em um código numérico simples, ou "embedding". Ao comparar esses códigos, o computador pode dizer instantaneamente o quão bem uma molécula pode se encaixar em uma proteína, um processo que é milhões de vezes mais rápido que os métodos tradicionais.
Para provar que seu sistema funcionava, a equipe realizou uma campanha de triagem virtual massiva. Eles soltaram o modelo em sua biblioteca de cem bilhões de moléculas para caçar fármacos contra três alvos biológicos distintos: uma quinase envolvida na resposta imune, um receptor no cérebro ligado à saúde mental e uma enzima que modifica o RNA, para a qual não existiam fármacos de pequena molécula conhecidos. Toda a busca, cobrindo um quadrilhão de potenciais interações, foi concluída em apenas vinte e oito horas usando apenas quatro placas gráficas padrão. Esta velocidade representa um salto à frente, tornando possível para equipes comuns de desenvolvimento de fármacos explorar espaços químicos que antes eram acessíveis apenas às maiores corporações com recursos computacionais massivos.
Os resultados da busca foram então postos à prova no mundo real. Os pesquisadores pegaram os principais candidatos identificados pelo computador e os sintetizaram ou compraram para ver se realmente funcionavam em um ambiente de laboratório. Para o alvo relacionado à imunidade, o modelo identificou compostos ativos com uma taxa de sucesso de quarenta por cento, e várias dessas moléculas eram poderosas o suficiente para interromper a atividade do alvo em concentrações tão baixas quanto um nanomolar. Para o receptor cerebral, a taxa de acerto foi de vinte por cento, e o sistema até redescoriu um fármaco conhecido que havia sido negligenciado para este alvo específico, confirmando a capacidade do modelo de encontrar tanto soluções novas quanto existentes. Mais impressionante ainda, para a enzima modificadora de RNA, que não possuía candidatos a fármacos conhecidos, o modelo encontrou uma taxa de acerto de trinta por cento e identificou uma molécula que se ligava fortemente à proteína, bloqueando efetivamente sua função.
Para garantir que essas descobertas não fossem apenas palpites de sorte, a equipe investigou mais profundamente como os melhores candidatos interagiam com seus alvos. Para o alvo imune, eles determinaram a estrutura 3D exata do fármaco ligado à proteína, confirmando que ele se posicionava precisamente onde o computador previu que ficaria. Para o receptor cerebral e a enzima de RNA, onde criar uma estrutura cristalina física provou ser difícil, eles usaram mutações direcionadas para alterar partes específicas da proteína. Quando alteraram as partes que o modelo previu serem importantes para a ligação, os fármacos pararam de funcionar, fornecendo evidências fortes de que o modelo havia identificado corretamente o mecanismo de ação. Esta combinação de velocidade, escala e validação experimental sugere que a barreira para explorar o vasto universo de possíveis medicamentos foi significativamente reduzida, oferecendo um caminho prático para encontrar novos tratamentos para doenças que há muito resistem à descoberta.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.